基于自适应变分模态分解的辐射源识别算法分析

吴俊

四川大学电子信息学院 四川 成都 610065

引言

特定辐射源识别根据其独特特征将单个发射器与其他发射器区分开，从而识别出不同的发射器[1]。特定辐射源识别技术主要用于军事通信中。随着新技术的出现，例如自组织网络和认知无线电，它变得越来越重要。

基于发射器的工作方式，特定辐射源识别可以利用瞬态或稳态信号[2]进行发射器识别。瞬态信号也称为开/关信号，它提供了适合于发射器识别的独特特性。 要提取瞬态信号的特征，主要方法是通过检测噪声的起点和终点来提取瞬态信号。但是，瞬态信号的持续时间短且难以捕获。它容易受到复杂信道的干扰，并影响发射器的识别效果。稳态信号在整个信号的瞬态开始和结束之间传输。与瞬态信号相比，稳态信号的检测和采集更加简单。然而，由于稳态特征容易被破坏，使得稳态特征的提取变得困难。对于稳态信号，最常用的方法是基于时频分析算法[3]。

目前，提出基于经验模态分解（Empirical Mode Decomposition，EMD）来处理信号。接着，变分模态分解（Variational Mode Decomposition，VMD）[4]也应用于特定辐射源识别。众所周知，EMD算法对采样和噪声极其敏感，VMD算法有更好的鲁棒性。然而，VMD算法的输入参数是人为输入，而本文所考虑的主要问题是如何解决参数自适应，故提出一种基于AVMD的识别算法，与基于VMD和EMD的算法相比，该方法具有更好地识别性能。

1 系统模型

在辐射源信号生成过程中，功率放大器是主要影响因素，功放固有的非线性和记忆效应会使得信号非线性失真。这里我们采用非线性记忆多项式模型[1]来表示这种信号：

2 AVMD分解

与许多典型的分割方法类似，VMD需要预先知道它的输入参数。在VMD分解中，惩罚因子与分解层数是主要影响分解结果的因素。其中，惩罚因子影响分解精度。相比于分解模态数，只会影响到分解结果的精确程度，而值则直接影响分解结果是否正确，所以在此对K值进行深入研究。

针对以上问题，提出一种利用峭度来确定K值得方法。依次选取的整数，对原始信号序列进行VMD，经过VMD过后得到多个固有模态函数(intrinsic mode function，IMF)。选取相关系数最大的IMF作为最优模态。接着，计算最优分量的峭度，选取峭度最大时的值作为最优分解模态数。计算出时相关系数最大分量的峭度，并绘制峭度变化曲线，若在该曲线上没有峰值且单调递增，则继续计算当K为是的相关系数最大分量的峭度值，重复以上步骤。以峭度最大为优化标准，当峭度最大时，K为最佳选择。我们将AVMD的算法流程表示为

3 分类算法

本文提出的算法通过测量希尔伯特谱的偏度(Hilbert Spectrum skewness，HS)来提取特征。首先，对进行希尔伯特变换；接着，提取希尔伯特谱的偏度作为识别特征；最后，送入KNN分类器。偏度可以统计数据分布非对称程度，表示如下：

训练阶段：辐射源类数P，每类数量

（1）原始信号经过AVMD，得到K个IMF分量；

（2）对各个IMF进行希尔伯特变换，求得希尔伯特谱；

（6）测试序列并没有标签，利用训练阶段的KNN分类器对测试序列进行识别。

4 实验分析

在本小节中，我们通过各种数值实验对所提出的算法进行性能评估，以正确识别率作为性能度量标准。辐射源信号的调制格式为4QAM，采样频率10GHz，载波频率2GHz，每个时间序列为500个采样点，序列时间为50，系统模型的记忆效应偏移为，多项式阶数，所采用的非线性系数分别为：，。

图1 算法对比图

将本文所提算法与文献[4]算法进行比较。VMD-SF算法设置。我们将AVMD-HS算法、VMD-SF算法EMD-EM算法进行对比。实验结果如图1(a)所示，AVMD-HS算法的平均识别率比VMD-SF和EMD-EM分别高出6%、10%，当AVMD-HS算法在信噪比高于0dB时，识别率就会达到80%，而VMD-SF算法和EMD-EM算法则需要信噪比分别高于3dB和7dB。低信噪比时，EMD-EM识别效果下降更为明显。接着，加重记忆效应，以此来增加识别难度，将记忆效应的时间偏移增加为0.3。实验结果如图1(b)，我们可以看出，当记忆效应加重的情况下，VMD-SF算法和EMD-EM算法识别率下降严重，平均下降了7.3%和6.6%，而AVMD-HS平均识别率只下降了5.4%，并且在3dB时，识别率超过了80%，达到了有效识别的程度。

综合对比来看，AWMD-HS算法无论是在识别效果，还是抗记忆效应的效果，都要优于VMD-SF算法和EMD-EM算法，具有更强的鲁棒性。

5 结束语

本文提出了一种基于AVMD的特定辐射源识别算法。我们对不同识别算法对识别效果的影响进行了仿真分析。本文的核心思想是利用自适应变分模态分解得到最佳的分解效果，从而提升识别效果。所提方法的优势在于能有效解决变分模态分解不能自适应求得分解模态的问题。在低信噪比下，也有不错的效果。